使用matlab中的yalmip工具箱编写代码，模型为车联网中的车辆路径优化规划建模，其中共有车辆数10，各车辆行驶的起点终点各不相同，道路节点8，道路数10，每条道路存在速度限制，车辆能耗与最终路径长度呈线性关系，同时考虑车辆行驶过程中需经过中间节点的情况，在中间节点可能等待一段时间，若车辆在此路段等待，则此路段道路容量减小1，若有车辆在此路段行驶，则此路段道路容量也减少1，当道路容量小于0时，道路封闭，此道路到达其他节点的距离为无穷，车辆在道路中行驶的时间为道路长度除以车辆速度，目标函数为车辆行驶时间最短

以下是一个简单的示例代码，用于演示如何使用YALMIP工具箱进行车辆路径优化规划建模。在实际应用中，需要根据具体问题进行适当修改。

% 车辆数
n_vehicles = 10;

% 道路节点数
n_nodes = 8;

% 道路数
n_edges = 10;

% 起点和终点
start_points = [1 2 3 4 5 6 7 8 2 4];
end_points = [8 4 7 2 1 5 6 3 7 6];

% 车辆能耗与路径长度的线性关系
k = 0.1;

% 道路速度限制
speed_limits = [30 40 50 60 70 80 90 100 40 50];

% 中间节点
middle_nodes = [3 6];

% 等待时间
wait_time = 10;

% 道路容量
capacity = [5 5 5 5 5 5 5 5 5 5];

% 创建变量
x = sdpvar(n_edges, n_vehicles, 'full');
d = sdpvar(n_nodes, n_nodes, 'full');

% 定义约束条件
constraints = [];

% 路径长度约束
for i = 1:n_vehicles
    constraints = [constraints, sum(x(:,i)) == 1];
end

% 起点和终点约束
for i = 1:n_vehicles
    constraints = [constraints, x(start_points(i),i) == 1];
    constraints = [constraints, x(end_points(i),i) == 1];
end

% 中间节点约束
for i = 1:length(middle_nodes)
    for j = 1:n_vehicles
        constraints = [constraints, x(middle_nodes(i),j) <= sum(x(:,j))];
    end
end

% 道路容量约束
for i = 1:n_edges
    for j = 1:n_vehicles
        constraints = [constraints, x(i,j)*capacity(i) <= sum(x(i,:))];
    end
end

% 距离约束
for i = 1:n_nodes
    for j = 1:n_nodes
        constraints = [constraints, d(i,j) == sqrt(sum((i-j).^2))];
    end
end

% 目标函数
objective = sum(sum(x.*repmat(speed_limits',1,n_vehicles)./k));

% 求解问题
options = sdpsettings('solver','gurobi');
optimize(constraints, objective, options);

该代码中，首先定义了车辆数、道路节点数、道路数、起点和终点、车辆能耗与路径长度的线性关系、道路速度限制、中间节点、等待时间、道路容量等参数。然后使用YALMIP工具箱创建变量，并定义约束条件和目标函数。最后使用Gurobi求解器求解问题。

需要注意的是，该代码只是一个简单的示例，实际应用中还需要根据具体问题进行适当修改。